Jan, 2016

使用滤波器组在卷积神经网络中进行纹理分类

PDF
TL;DR本研究通过建立一个简单的网络架构 (Texture CNN)，探究了卷积神经网络 (CNN) 中深度特征提取层与纹理分析方法之间的相似性，并将纹理分析方法中的 filter bank 思想应用到神经网络中，证明了其对提升网络表现和大幅减少运算及占用空间的优势。
发现论文，激发创造
  • 纹理识别与分割的深度卷积滤波器组

    本文介绍了一种基于卷积神经网络（CNN）的新型纹理描述符 D-CNN，并在嘈杂的环境下完成了纹理和材料识别，并实现了 81.1% 至 82.3% 的识别准确率，显著提高了现有方法的性能。

    Nov, 2014

  • 小波卷积神经网络用于纹理分类

    本研究提出了一种新型的卷积神经网络，即小波卷积神经网络，将频域分析与卷积神经网络相结合，并在纹理分类中实验表明该模型比传统卷积神经网络的表现更好，且参数数量更少，易于训练。

    Jul, 2017

  • 深度卷积神经网络最近的架构调查

    本文从深度卷积神经网络的内在分类入手，将现有研究成果归纳为七大类，即空间利用、深度、多路径、宽度、特征图利用、通道增强和注意力，同时介绍 CNN 组件的基础理解、当前挑战和应用领域。

    Jan, 2019

  • 使用随机卷积滤波器的浅层卷积神经网络纹理合成

    研究表明，随机浅层卷积神经网络的特征空间可以作为自然纹理的模型，可以用于纹理合成算法，并且相较于深层 CNNs 模型，浅层 CNNs 模型具有相当的性能。

    May, 2016

  • 纹理识别、描述和分割的深度滤波器组

    本文提出了一种基于可描述纹理数据集的词汇表，用于描述常见的纹理模式，以及一些对应的图像识别技术，包括物体材质和纹理属性的实时识别，并通过将深度模型卷积层用作滤波器进行优化以获得卓越的性能。

    Jul, 2015

  • 利用卷积神经网络进行纹理合成

    介绍了一种基于卷积神经网络特征空间的自然纹理新模型，可生成具有高感知质量的样本，可作为神经科学刺激或深度卷积神经网络学习的新工具。

    May, 2015

  • 学习 Gabor 纹理特征进行细粒度识别

    通过为特征提取引入 Gabor 滤波器作为有力工具来利用纹理特征，并将其与卷积神经网络（CNN）的语义分支相结合，实现全面的信息提取，从而在多个数据集上取得了最先进的性能。

    Aug, 2023

  • 学习旋转不变卷积滤波器以进行纹理分类

    使用浅层卷积神经网络学习判别滤波器的一种方法，直接编码旋转不变性以提取旋转不变的特征，实现了与标准浅层卷积神经网络相比更高的分类性能并减少了一个数量级的参数量。

    Apr, 2016

  • 卷积神经网络中的特征表示

    本文旨在深入探究 CNN 中的特征方面，发现 CNN 特征映射可用于随机森林和 SVM，以产生超越原始 CNN 的分类结果；使用较低层次的特征可以获得更好的分类结果。

    Jul, 2015

  • 卷积神经网络文本分类中词序的有效利用

    本文研究了在文本分类中应用卷积神经网络，以利用文本数据的 1D 结构（即单词顺序）进行精确预测，并提出了一种简单但新颖的变异，即在卷积层中使用词袋转换。实验证明该方法与现有技术相比具有更高的准确性。

    Dec, 2014